Keras vorhersagen immer den gleichen Wert in Multi-Klassifizierung

Question

hier ist mein Code. Ich möchte eine Multi-Klassifizierung mit Keras machen. Der vcl_acc ist beim Training besser, aber der Vorhersagewert ist immer der gleiche Wert. Ich verwirrt, bitte helfen Sie mir

train.py

# coding: UTF-8 
# author: Sun Yongke (sunyongke@gmail.com) 
from keras.preprocessing.image import ImageDataGenerator 
from keras.callbacks import EarlyStopping 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Activation, Flatten 
from keras.layers import Convolution2D, MaxPooling2D 
from keras.optimizers import SGD 


# Dense(64) is a fully-connected layer with 64 hidden units. 
# in the first layer, you must specify the expected input data shape: 
# here, 20-dimensional vectors. 

# dimensions of our images. 
img_width, img_height = 300, 300 
nb_epoch=20 

train_data_dir = '../picture/samples_300_2/train' 
validation_data_dir = '../picture/samples_300_2/validation' 
# this is the augmentation configuration we will use for training 
train_datagen = ImageDataGenerator(
    rescale=1./255, 
    shear_range=0.2, 
    zoom_range=0.2, 
    horizontal_flip=True) 

# this is the augmentation configuration we will use for testing: 
# only rescaling 
test_datagen = ImageDataGenerator(rescale=1./255) 

train_generator = train_datagen.flow_from_directory(
    train_data_dir, 
    target_size=(img_width, img_height), 
    batch_size=40000, 
    color_mode='grayscale', 
    save_format="jpg", 
    save_to_dir="after/train", 
    class_mode='categorical') 

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir, 
    target_size=(img_width, img_height), 
    batch_size=500, 
    color_mode='grayscale', 
    save_format="jpg", 
    save_to_dir="after/test", 
    class_mode='categorical') 

model = Sequential() 
# input: 100x100 images with 3 channels -> (3, 100, 100) tensors. 
# this applies 32 convolution filters of size 3x3 each. 
model.add(Convolution2D(32, 3, 3, border_mode='valid', input_shape=(img_width, img_height,1))) 
model.add(Activation('relu')) 
model.add(Convolution2D(32, 3, 3)) 
model.add(Activation('relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 

model.add(Convolution2D(64, 3, 3, border_mode='valid')) 
model.add(Activation('relu')) 
model.add(Convolution2D(64, 3, 3)) 
model.add(Activation('relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 

model.add(Flatten()) 
# Note: Keras does automatic shape inference. 
model.add(Dense(256)) 
model.add(Activation('relu')) 
model.add(Dropout(0.5)) 

model.add(Dense(14)) 
model.add(Activation('softmax')) 

sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) 
model.compile(loss='categorical_crossentropy', optimizer=sgd) 

nb_train_samples=len(train_generator.filenames) 
nb_validation_samples=len(validation_generator.filenames) 

early_stopping = EarlyStopping(monitor='val_loss', patience=2) 

model.fit_generator(
    train_generator, 
    samples_per_epoch=nb_train_samples, 
    nb_epoch=nb_epoch, 
    validation_data=validation_generator, 
    nb_val_samples=nb_validation_samples, callbacks=[early_stopping]) 
#save model 
model.save("sykm.2.h5") 

Ausbildung Ausgabe als

Epoch 2/50 
3005/3005 [==============================] - 270s - loss: 0.2227 - acc: 0.9294 - val_loss: 0.1985 - val_acc: 0.9316 
Epoch 3/50 
3005/3005 [==============================] - 269s - loss: 0.2105 - acc: 0.9310 - val_loss: 0.1858 - val_acc: 0.9338 
Epoch 4/50 
3005/3005 [==============================] - 271s - loss: 0.1964 - acc: 0.9333 - val_loss: 0.3572 - val_acc: 0.9160 
Epoch 5/50 
3005/3005 [==============================] - 268s - loss: 0.1881 - acc: 0.9349 - val_loss: 0.1513 - val_acc: 0.9413 
Epoch 6/50 
3005/3005 [==============================] - 268s - loss: 0.1935 - acc: 0.9342 - val_loss: 0.1581 - val_acc: 0.936 

predict.py folgen

# coding: UTF-8 
# author: Sun Yongke (sunyongke@gmail.com) 
from keras.models import load_model 
model = load_model('sykm.2.h5') 
img_width, img_height = 300, 300 


from keras.preprocessing.image import ImageDataGenerator 
test_datagen = ImageDataGenerator(rescale=1./255) 
validation_data_dir = 'samples_300/validation' 
validation_generator = test_datagen.flow_from_directory(
    validation_data_dir, 
    target_size=(img_width, img_height), 
    batch_size=32, 
    class_mode='categorical') 
nb_validation_samples=len(validation_generator.filenames) 



out=model.predict_generator(validation_generator,nb_validation_samples) 

print "out" 
print out 

der Ausgang immer gleich ist, auch ich anders verwenden Bild zum Test wie folgt

Using TensorFlow backend. 
Found 60 images belonging to 2 classes. 
out 
[[ 0.06170857 0.06522226 0.06400252 0.08250671 0.07548683  0.07643672 
0.07131153 0.07487586 0.07607967 0.04719007 0.07641899 0.08824327 
0.05421595 0.08630092] 
[ 0.06170857 0.06522226 0.06400252 0.08250671 0.07548683 0.07643672 
0.07131153 0.07487586 0.07607967 0.04719007 0.07641899 0.08824327 
0.05421595 0.08630092] 
....] 

Answer 1

Es scheint, dass Ihr Problem durch eine große Klassenungleichgewicht in Ihrem Datensatz verursacht wird. Man kann sehen, dass das Zuweisen einer 0 Klasse zu jedem Beispiel über 90% Genauigkeit gibt. Um mit dieser Sie umgehen verwenden können folgende Strategien:

1. Rebalance Dataset: entweder durch Upsampling die weniger häufigen Klasse oder häufiger eine Abwärtsabtastens.

2. Passen Sie Klassengewichte an: Indem Sie das höhere Klassengewicht für weniger häufige Klassen festlegen, fördern Sie Ihr Netzwerktraining, um der heruntergerechneten Klasse mehr Aufmerksamkeit zu schenken.

3. In vielen Fällen die Trainingszeit erhöhen: - nach längerer Trainingszeit beginnt sich das Netzwerk mehr auf weniger häufige Klassen zu konzentrieren.